La Organización Mundial de la Salud etiquetó el nuevo brote de COVID-19 como una crisis de salud pública de preocupación mundial el 30 de enero de 2020, y fue nombrada como la nueva pandemia global en marzo de 2020. Ha tenido consecuencias catastróficas en la economía mundial y el bienestar de las personas, y ha puesto una tremenda presión sobre los sistemas de salud ya escasos a nivel global, particularmente en los países en desarrollo. Ya se han administrado más de 11 mil millones de dosis de vacunas en todo el mundo, y los beneficios de estas vacunaciones tardarán algún tiempo en aparecer. Hoy en día, el único enfoque práctico para diagnosticar COVID-19 es a través de las pruebas RT-PCR y RAT, que a veces han dado resultados poco fiables. Un diagnóstico oportuno y la implementación de medidas de precaución probablemente mejorarán el resultado de supervivencia y disminuirán las tasas de fatalidad. En este estudio, proponemos una forma innovadora de predecir COVID-19 con la ayuda de métodos alternativos no clínicos, como modelos de aprendizaje automático supervisado, para identificar a los pacientes en riesgo basándose en sus parámetros característicos y comorbilidades subyacentes. Se eligieron registros médicos de pacientes de México admitidos entre el 23 de enero de 2020 y el 26 de marzo de 2022, para este propósito. Entre varios enfoques de aprendizaje automático supervisado probados, el modelo XGBoost logró los mejores resultados con una precisión del 92%. Es una forma fácil, no invasiva, económica, instantánea y precisa de pronosticar a aquellos en riesgo de contraer el virus. Sin embargo, es bastante pronto para deducir que este método puede ser utilizado como una alternativa en el diagnóstico clínico de casos de coronavirus.